使用VAR模型和复杂网络测度对多变量时间序列进行因果分析

神经格兰杰因果关系 Neural-GC存储库包含用于在多元时间序列中发现Granger因果网络的基于深度学习的方法的代码。 介绍了此处实现的方法。 安装 要安装代码，请克隆存储库。 您只需要Python 3 ， PyTorch (>= 0.4.0) ， numpy和scipy 。 用法 在笔记本cmlp_lagged_var_demo.ipynb ， clstm_lorenz_demo.ipynb和crnn_lorenz_demo.ipynb查看有关如何应用我们的方法的crnn_lorenz_demo.ipynb 。 这个怎么运作 在此存储库中实现的模型称为cMLP，cLSTM和cRNN，是通过分别预测每个时间序列对多元时间序列进行建模的神经网络。 在训练期间，对输入层权重矩阵的稀疏惩罚会将参数组设置为零，这可以解释为发现格兰杰非因果关系。 可以使用三种不同的惩罚训练cMLP模型：组套索

因果森林 在2021年二月森林因果关系到EESP类机器学习的演示幻灯片的甲板可以在此访问

Python中基于机器学习的因果推理/提升 内容： ••• causeinfer是一个Python软件包，用于使用机器学习来估计平均和条件平均处理效果。 它的目标是编译标准和高级的因果推理模型，并展示其用法和功效-所有这些都具有帮助人们在商业，医学和社会经济领域学习CI技术的总体雄心。 请参阅以获取该软件包的完整概述，包括模型和数据集。 安装 causeinfer可以通过pip从PyPI下载或直接从此存储库中获取： pip install causeinfer git clone https://github.com/andrewtavis/causeinfer.git cd causeinfer python setup.py install import causeinfer 申请 因果推理算法 两种模型方法 对治疗和对照组的单独模型进行了训练和组合，以得出平均治疗效果（Hanso

GRANGER_CAUSE 是格兰杰因果检验。 原假设是 y 不是格兰杰原因 x。 用户指定两个系列 x 和 y，以及要考虑的显着性水平和最大滞后数。 该函数根据贝叶斯信息准则为 x 和 y 选择最佳滞后长度。 该函数生成格兰杰因果检验的 F 统计量以及相应的临界值。 如果 F 统计量大于临界值，我们拒绝 y 不是格兰杰原因 x 的原假设。 输入 help granger_cause 以了解更多信息。

因果推论360 一个Python包，用于从观测数据推断因果关系。 描述 因果推论分析可以根据实际的非实验性观察数据估算干预对某些结果的因果效应。 该软件包在统一的scikit-learn启发式API下提供了一组因果方法。 它实现了允许插入任意复杂的机器学习模型的元算法。 这种模块化方法支持高度灵活的因果建模。 类似于拟合和预测的API使得可以训练一组示例并估计对另一组示例的影响（“袋外”），从而可以更“诚实”地进行1效果估计。 该软件包还包括一个评估套件。 由于大多数因果模型在内部利用机器学习模型，因此我们可以通过从因果角度重新解释已知的机器学习评估来诊断性能不佳的模型。 如果您在科学背景下使用它，请考虑引用 ： @article { causalevaluations , title = { An Evaluation Toolkit to Guide Model Selec

格兰杰因果matlab代码这是Bethany Lusch，Pedro D.Maia和J.Nathan Kutz于2016年9月发表在《物理评论E》上的“推断网络动态系统中的连接性：使用格兰杰因果关系的挑战”所使用的代码。 我们对因果网络结构已知的非线性模型生成的数据进行成对条件格兰杰因果关系测试。 具体来说，我们模拟了Kuramoto振荡器的联网系统，并使用重构了底层网络。 我们将结果与各种参数的基本事实进行比较。 该代码由Bethany Lusch编写，完全在Matlab中编写。 张贴它是为了使您可以重新创建论文的结果，但同时它也经过设计，可以成为针对任何网络推理方法的一组测试。 BaseExperiment.m是主要功能。 它具有许多参数，因此一切都可以改变。 UsualParams.mat包含默认参数。 ExperimentA1.m，experimentA2.m，...是调用BaseExperiment.m的脚本。 他们加载UsualParams.mat并更改该实验中不同的任何参数。 有关如何创建UsualParams.mat的信息，请参见SetUsualParams.m。 指示

因果性是人工智能中重要的研究课题，尤其是在医疗等一些高风险领域。来自帝国理工学院的Ben Glocker讲述了医疗影像中「因果性」至关重要，涵盖52页ppt。作者指出，对于基于机器学习的图像分析的成功至关重要的是，研究人员要能意识到并解释他们的数据背后的因果关系。

非因果系统的因果近似实现－例

因果推断表示：因果推断简介